成为大模型算法工程师的必备攻略:核心知识点、实战技巧与备考计划全解析!

AI 应用开发 × 算法面试题:业务场景实战 12 题【TopK、LRU、RRF 融合、相似度、限流算法,含手撕代码与底层答案】 本文聚焦AI应用岗算法面试新趋势,剖析12道融合业务场景的高频题:从海量日志中挖掘慢查询(分治+小顶堆)、亿级去重(布隆过滤器)、向量与关键词融合排序(RRF)、语义缓存设计(带租户隔离与TTL的LRU)到限流策略(令牌桶+滑动窗口),强调“场景复述→算法选型→手撕代码→生产落地”四步答题框架。突出考察点已从纯算法转向工程权衡、业务理解与系统设计能力,如误判容忍度、实时性与内存预算的平衡,助力开发者应对2026年真实技术挑战。 阅读详情

在人工智能蓬勃发展的当下,大模型算法工程师已成为推动技术创新与行业变革的核心力量。想要成为一名优秀的大模型算法工程师,扎实备考是关键。下面为你详细介绍大模型算法工程师备考攻略,涵盖核心知识点、实战技巧以及备考计划。请添加图片描述

一、核心知识点

(一)数学基础
  1. 线性代数:是深度学习的核心数学工具。神经网络中每一层的计算都可看作矩阵运算,像矩阵乘法、加法、转置等是神经网络前向传播和反向传播的基础。特征值分解与 SVD 可用于理解数据结构和降维技术,如 PCA 降维。张量运算则用于处理高维数据表示,如图像和视频数据。例如在 LLAMA - 2 70B 模型参数压缩中,当奇异值保留率 > 95% 时,压缩比可达 4:1,显著降低计算资源需求。

  2. 概率论与统计学:为生成式模型提供理论基础。贝叶斯推断是构建概率图模型的基础,最大似然估计(MLE)是模型参数估计的核心方法,高斯分布是扩散模型和变分自编码器(VAE)的基础分布。语言模型本质上就是通过对大量文本的学习,预测下一个单词出现的概率,从而生成连贯文本。

  3. 优化理论:直接指导模型训练过程。梯度下降及其变种(SGD、Adam 等),二阶优化方法如自然梯度用于处理海量数据和参数,分布式优化算法应对大规模模型训练。损失函数 Hessian 矩阵的最大特征值决定最优学习率:η<2/λ_max,这一原理在大模型调参中至关重要。

  4. 信息论:为 AI 系统中的信息表示、传输和压缩提供理论基础。熵量化随机变量的不确定性,应用于决策树算法和特征选择;KL 散度衡量概率分布差异,是 VAE 和 GAN 等生成模型的核心;互信息是特征选择和表示学习的重要指标。

(二)机器学习与深度学习基础
  1. 机器学习基础:理解监督学习、无监督学习、半监督学习等基本概念和常见算法,如决策树、支持向量机、朴素贝叶斯等。这些传统机器学习算法在数据预处理、特征工程以及一些简单任务中仍发挥重要作用。

  2. 神经网络基础:熟悉神经元模型、多层感知机(MLP)的结构与原理。掌握前向传播和反向传播算法,理解如何通过反向传播算法计算梯度并更新神经网络的参数,这是深度学习模型训练的核心机制。

  3. 深度学习框架:熟练掌握至少一种深度学习框架,如 PyTorch 或 TensorFlow。了解框架的基本使用方法,包括构建模型、数据加载、模型训练与评估等操作。以 PyTorch 为例,其动态计算图特性使得调试更加友好,丰富的 NN 模块库方便构建各种复杂模型,并且得到了 Hugging Face 的原生支持,在大模型开发中应用广泛。

(三)大模型相关技术
  1. Transformer 架构:Transformer 架构是当前大模型的基础架构,其核心的自注意力机制是理解文本语义和捕捉长距离依赖关系的关键。自注意力机制可分解为查询 - 键矩阵乘法(计算相似度得分)、Softmax 归一化(转化为概率分布)、值加权求和(生成新的表示)三个数学操作,完美融合了线性代数(矩阵运算)和概率论(Softmax)的知识。需要深入理解 Transformer 的整体架构,包括编码器和解码器的结构与功能,以及位置编码等技术细节。

  2. 预训练技术:了解大模型的预训练过程,包括预训练目标(如语言模型预训练中的掩码语言模型目标等)、预训练数据集的处理和使用。知道如何利用大规模无监督数据对模型进行预训练,使其学习到通用的语言或其他领域知识。

  3. 微调技术:掌握全参数微调和部分参数微调等不同的微调策略。根据任务需求和计算资源,选择合适的微调方法,并合理设置超参数(如学习率、批次大小等)。通过多次实验找到最优的超参数组合,提升模型在特定任务上的准确性和效率。例如,在一些对计算资源要求较高的场景下,可以采用部分参数微调的方式,减少计算量的同时保持较好的模型性能。

  4. 提示工程:理解提示工程的概念和作用,学会设计有效的提示来引导大模型生成符合需求的输出。例如在文本生成任务中,通过精心设计的提示可以控制生成文本的风格、主题等。

一直在更新,更多的大模型学习和面试资料已经上传带到优快云的官方了,有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

在这里插入图片描述

01.大模型风口已至:月薪30K+的AI岗正在批量诞生

二、实战技巧

(一)数据处理技巧
  1. 数据清洗:在拿到训练数据后,首先要进行数据清洗,去除噪声和错误数据。这一步骤对于提高模型性能至关重要,因为错误的数据可能会误导模型的学习。可以使用数据可视化工具,如 Matplotlib、Seaborn 等,直观地观察数据的分布情况,发现异常值和噪声点。

  2. 数据标注:准确的数据标注为模型提供正确的学习目标。在进行数据标注时,要制定清晰明确的标注规范,确保标注的一致性和准确性。对于一些复杂的标注任务,可以采用多人交叉标注、审核的方式,提高标注质量。

  3. 数据增强:通过数据增强技术扩充数据集规模,提高模型的泛化能力。在文本处理任务中,可以采用同义词替换、句子重组、随机删减或添加词语等方式增加数据的多样性;在图像领域,则可以进行图像翻转、缩放、裁剪、添加噪声等操作。例如在图像分类任务中,使用数据增强技术可以显著提升模型在不同场景下的识别准确率。

(二)模型训练技巧
  1. 超参数调优:超参数的设置对模型性能有着重要影响。可以采用网格搜索、随机搜索、贝叶斯优化等方法来寻找最优的超参数组合。在实际操作中,要合理设置搜索空间和搜索策略,避免过度搜索导致计算资源的浪费。同时,可以利用学习曲线等工具观察模型在训练过程中的性能变化,判断超参数设置是否合理。

  2. 模型监控与评估:在模型训练过程中,要实时监控模型的训练状态,包括损失值、准确率等指标的变化。可以使用 TensorBoard 等工具对训练过程进行可视化,直观地了解模型的训练情况。同时,要定期在验证集上对模型进行评估,根据评估结果调整训练策略,如调整学习率、增加训练轮数等。

  3. 模型优化与加速:为了提高模型的训练效率和推理速度,可以采用一些优化技术,如混合精度训练、模型并行和数据并行、剪枝和量化等。混合精度训练利用半精度浮点数进行计算,在不损失太多精度的前提下提高计算速度;模型并行和数据并行则可以将模型的计算任务分配到多个设备上同时进行,加速训练过程;剪枝和量化技术可以减少模型的参数数量和存储需求,提高推理速度。

(三)问题解决技巧
  1. 分析训练失败原因:当模型训练出现问题,如损失值不下降、准确率无法提升等,要能够分析可能的原因。可能是数据质量问题、模型结构不合理、超参数设置不当或者训练过程中出现了过拟合或欠拟合等情况。通过逐步排查,找到问题的根源并加以解决。

  2. 利用开源资源和社区:在实际工作中,遇到问题不要独自摸索,可以充分利用开源资源和社区的力量。例如在 GitHub 上有大量的开源大模型项目和相关代码,可以参考这些项目的实现方式来解决自己遇到的问题。同时,像 Stack Overflow、知乎等社区平台上也有很多专业人士分享的经验和解决方案,可以通过搜索相关问题获取帮助。

三、备考计划

(一)基础阶段(1 - 2 个月)
  1. 数学知识学习:学习线性代数、概率论与统计学、优化理论、信息论等相关数学知识。可以参考经典教材,如《线性代数及其应用》(Gilbert Strang)、《概率论与随机过程》(Sheldon Ross)、《Convex Optimization》(Boyd & Vandenberghe)等,结合在线课程,如 MIT 18.06 线性代数(公开课)、Stanford CS229 机器学习(数学基础部分)进行学习。同时,使用 NumPy/PyTorch 实现一些简单的矩阵运算和优化算法实验,加深对数学知识的理解。

  2. 机器学习与深度学习基础学习:阅读《机器学习》(西瓜书)全面入门机器学习基础理论,阅读《深度学习》(花书)涵盖神经网络基础、概率模型、优化算法等核心理论。结合《神经网络与深度学习》(邱锡鹏)这本中文教材,从理论与实践结合的角度进行学习。在学习过程中,通过编码实现一些简单的机器学习和深度学习模型,如线性回归、逻辑回归、多层感知机等,加深对模型原理的理解。

(二)进阶阶段(1 - 2 个月)
  1. 大模型相关技术学习:深入学习 Transformer 架构,阅读《Attention Is All You Need》这篇原始论文,理解自注意力机制。参考《Hands - On Machine Learning with Scikit - Learn, Keras, and TensorFlow》中关于 Transformer 架构与实现的章节进行实战学习。学习大模型的预训练、微调、提示工程等技术,阅读相关的论文和技术博客,了解最新的研究进展和应用案例。

  2. 深度学习框架实践:选择 PyTorch 或 TensorFlow 其中一个框架进行深入学习,掌握框架的高级功能和应用技巧。通过实际项目,如使用 Hugging Face Transformers 库进行大模型的微调,实现一些自然语言处理或计算机视觉任务,如文本分类、图像分类等,提高对框架的熟练程度。

(三)实战阶段(1 - 2 个月)
  1. 参与实战项目:积极参与智能客服、医疗诊断、金融风控等多场景的实战项目,可以在开源平台上寻找相关项目资源,或者参加一些线上的竞赛活动。在实战项目中,将所学的知识应用于解决实际问题,根据不同场景的特点调整模型和训练策略,不断积累实践经验。

  2. 项目总结与反思:在完成每个实战项目后,对项目过程进行总结和反思。分析项目中遇到的问题和解决方案,总结成功经验和不足之处。通过不断总结和反思,提高自己解决实际问题的能力和项目经验。

(四)冲刺阶段(1 个月)
  1. 复习与巩固:对之前学习的核心知识点进行全面复习,查漏补缺。重点复习在实战项目中经常用到的知识点和容易遗忘的知识点,强化记忆。

  2. 模拟考试与面试准备:进行模拟考试,检验自己的学习成果,熟悉考试形式和题型。同时,从面试官的角度准备可能会问到的问题,如大模型的工作原理、实际工作中的技术要求、遇到的问题及解决方案等。可以参考一些大模型面试题汇总资料,并结合自己的实际经验进行准备。

四、大模型部署与运维

(一)部署环境搭建
  1. 硬件选择:根据大模型的规模和应用场景,选择合适的硬件设备。对于中小型模型,可采用单 GPU 服务器,如 NVIDIA A100、V100 等;对于超大规模模型,如千亿参数级别的模型,则需要多 GPU 集群或专用的 AI 加速芯片,如 Google TPU。同时,要考虑硬件的内存容量、计算性能和通信带宽等因素,确保模型能够高效运行。

  2. 软件环境配置:搭建稳定的软件环境是大模型部署的基础。需要安装操作系统(如 Linux)、深度学习框架(如 PyTorch、TensorFlow)、CUDA 和 cuDNN 等加速库,以及相关的依赖包。可以使用 Docker 容器技术,将模型及其依赖环境打包成容器,实现环境的快速部署和一致性管理,避免不同环境之间的兼容性问题。

(二)模型部署策略
  1. 离线部署:适用于对实时性要求不高,且数据量较大的场景。将训练好的模型部署到本地服务器或终端设备上,通过批处理的方式处理数据。例如,在文本分析任务中,定期对大量文本进行处理和分析,生成分析报告。

  2. 在线部署:满足实时响应的需求,如智能客服、实时翻译等应用。将模型部署到云端服务器,通过 API 接口提供服务,用户可以通过网络实时调用模型进行推理。为了提高在线服务的性能和可用性,需要采用负载均衡、缓存等技术,确保服务的稳定运行。

(三)运维与监控
  1. 性能监控:实时监控模型的推理性能,包括响应时间、吞吐量、资源利用率(如 CPU、GPU、内存等)。可以使用 Prometheus、Grafana 等监控工具,设置性能指标的阈值,当指标超过阈值时及时发出告警,以便及时排查和解决问题。

  2. 模型更新与迭代:随着数据的不断积累和业务需求的变化,需要对模型进行更新和迭代。制定合理的模型更新策略,如定期重新训练模型、采用增量学习等方法,确保模型的性能始终满足业务需求。同时,要对更新后的模型进行测试和验证,避免引入新的问题。

  3. 故障排查与恢复:当模型部署和运行过程中出现故障时,要能够快速定位故障原因并进行恢复。建立完善的故障排查流程,通过日志分析、监控数据等手段,找出故障的根源。对于常见的故障,如服务器宕机、网络故障等,要制定相应的应急预案,确保能够快速恢复服务。

五、前沿技术跟踪

(一)学术研究动态
  1. 顶会论文跟踪:关注国际顶级人工智能学术会议,如 NeurIPS、ICML、ICLR、ACL 等,及时了解大模型领域的最新研究成果。这些会议上发表的论文往往代表了该领域的前沿技术和研究方向,通过阅读论文,学习新的模型架构、训练方法和应用场景,拓宽自己的学术视野。

  2. 研究机构成果关注:关注国内外知名的人工智能研究机构,如 DeepMind、OpenAI、Google Brain、百度研究院、华为诺亚方舟实验室等的研究动态。这些机构在大模型领域不断推出新的技术和产品,跟踪他们的成果可以及时了解行业的发展趋势。

(二)产业应用进展
  1. 行业案例分析:了解大模型在不同行业的应用案例,如金融、医疗、教育、交通等。分析这些案例中模型的选型、实现方式和取得的效果,从中汲取经验,为自己的项目实践提供参考。例如,在金融领域,大模型用于风险预测和投资决策,提高了金融服务的效率和准确性。

  2. 技术产品发布:关注各大科技公司发布的大模型相关技术产品,如开源模型、开发工具、云服务等。这些产品可以降低大模型的应用门槛,提高开发效率。例如,Hugging Face 提供了丰富的开源模型和工具库,方便开发者快速构建和部署大模型应用。

六、面试高频问题解析

(一)理论知识类
  1. Transformer 与 RNN 的区别:Transformer 采用自注意力机制,能够并行处理序列数据,更好地捕捉长距离依赖关系;而 RNN 是递归结构,处理序列数据时具有时序性,难以并行计算,且在长序列上容易出现梯度消失或爆炸问题。Transformer 的编码器和解码器结构使得其在机器翻译等任务上的性能远超 RNN。

  2. 预训练模型的微调原理:预训练模型在大规模无标注数据上学习到了通用的知识和特征,微调则是在预训练模型的基础上,使用特定任务的标注数据进行训练,调整模型的参数,使模型适应特定任务。通过微调,可以充分利用预训练模型的知识,减少特定任务的训练数据量,提高模型的性能和训练效率。

(二)实战经验类
  1. 如何解决大模型训练中的过拟合问题:可以采用增加训练数据量、数据增强、正则化(如 L1、L2 正则化、Dropout)、早停等方法。增加数据量和数据增强可以提高模型的泛化能力;正则化通过对模型参数施加约束,防止模型过度拟合训练数据;早停则是在模型在验证集上的性能开始下降时停止训练,避免模型过拟合。

  2. 在资源有限的情况下,如何训练一个高性能的大模型:可以采用模型压缩技术,如剪枝、量化、知识蒸馏等,减少模型的参数数量和计算量;选择合适的小批量大小,提高计算资源的利用率;使用混合精度训练,在不损失太多精度的前提下加快训练速度;合理选择预训练模型,利用预训练模型的知识,减少训练成本。## 四、大模型部署与运维

(一)部署环境搭建
  1. 硬件选择:根据大模型的规模和应用场景,选择合适的硬件设备。对于中小型模型,可采用单 GPU 服务器,如 NVIDIA A100、V100 等;对于超大规模模型,如千亿参数级别的模型,则需要多 GPU 集群或专用的 AI 加速芯片,如 Google TPU。同时,要考虑硬件的内存容量、计算性能和通信带宽等因素,确保模型能够高效运行。

  2. 软件环境配置:搭建稳定的软件环境是大模型部署的基础。需要安装操作系统(如 Linux)、深度学习框架(如 PyTorch、TensorFlow)、CUDA 和 cuDNN 等加速库,以及相关的依赖包。可以使用 Docker 容器技术,将模型及其依赖环境打包成容器,实现环境的快速部署和一致性管理,避免不同环境之间的兼容性问题。

(二)模型部署策略
  1. 离线部署:适用于对实时性要求不高,且数据量较大的场景。将训练好的模型部署到本地服务器或终端设备上,通过批处理的方式处理数据。例如,在文本分析任务中,定期对大量文本进行处理和分析,生成分析报告。

  2. 在线部署:满足实时响应的需求,如智能客服、实时翻译等应用。将模型部署到云端服务器,通过 API 接口提供服务,用户可以通过网络实时调用模型进行推理。为了提高在线服务的性能和可用性,需要采用负载均衡、缓存等技术,确保服务的稳定运行。

(三)运维与监控
  1. 性能监控:实时监控模型的推理性能,包括响应时间、吞吐量、资源利用率(如 CPU、GPU、内存等)。可以使用 Prometheus、Grafana 等监控工具,设置性能指标的阈值,当指标超过阈值时及时发出告警,以便及时排查和解决问题。

  2. 模型更新与迭代:随着数据的不断积累和业务需求的变化,需要对模型进行更新和迭代。制定合理的模型更新策略,如定期重新训练模型、采用增量学习等方法,确保模型的性能始终满足业务需求。同时,要对更新后的模型进行测试和验证,避免引入新的问题。

  3. 故障排查与恢复:当模型部署和运行过程中出现故障时,要能够快速定位故障原因并进行恢复。建立完善的故障排查流程,通过日志分析、监控数据等手段,找出故障的根源。对于常见的故障,如服务器宕机、网络故障等,要制定相应的应急预案,确保能够快速恢复服务。

五、前沿技术跟踪

(一)学术研究动态
  1. 顶会论文跟踪:关注国际顶级人工智能学术会议,如 NeurIPS、ICML、ICLR、ACL 等,及时了解大模型领域的最新研究成果。这些会议上发表的论文往往代表了该领域的前沿技术和研究方向,通过阅读论文,学习新的模型架构、训练方法和应用场景,拓宽自己的学术视野。

  2. 研究机构成果关注:关注国内外知名的人工智能研究机构,如 DeepMind、OpenAI、Google Brain、百度研究院、华为诺亚方舟实验室等的研究动态。这些机构在大模型领域不断推出新的技术和产品,跟踪他们的成果可以及时了解行业的发展趋势。

(二)产业应用进展
  1. 行业案例分析:了解大模型在不同行业的应用案例,如金融、医疗、教育、交通等。分析这些案例中模型的选型、实现方式和取得的效果,从中汲取经验,为自己的项目实践提供参考。例如,在金融领域,大模型用于风险预测和投资决策,提高了金融服务的效率和准确性。

  2. 技术产品发布:关注各大科技公司发布的大模型相关技术产品,如开源模型、开发工具、云服务等。这些产品可以降低大模型的应用门槛,提高开发效率。例如,Hugging Face 提供了丰富的开源模型和工具库,方便开发者快速构建和部署大模型应用。

六、面试高频问题解析

(一)理论知识类
  1. Transformer 与 RNN 的区别:Transformer 采用自注意力机制,能够并行处理序列数据,更好地捕捉长距离依赖关系;而 RNN 是递归结构,处理序列数据时具有时序性,难以并行计算,且在长序列上容易出现梯度消失或爆炸问题。Transformer 的编码器和解码器结构使得其在机器翻译等任务上的性能远超 RNN。

  2. 预训练模型的微调原理:预训练模型在大规模无标注数据上学习到了通用的知识和特征,微调则是在预训练模型的基础上,使用特定任务的标注数据进行训练,调整模型的参数,使模型适应特定任务。通过微调,可以充分利用预训练模型的知识,减少特定任务的训练数据量,提高模型的性能和训练效率。

(二)实战经验类
  1. 如何解决大模型训练中的过拟合问题:可以采用增加训练数据量、数据增强、正则化(如 L1、L2 正则化、Dropout)、早停等方法。增加数据量和数据增强可以提高模型的泛化能力;正则化通过对模型参数施加约束,防止模型过度拟合训练数据;早停则是在模型在验证集上的性能开始下降时停止训练,避免模型过拟合。

  2. 在资源有限的情况下,如何训练一个高性能的大模型:可以采用模型压缩技术,如剪枝、量化、知识蒸馏等,减少模型的参数数量和计算量;选择合适的小批量大小,提高计算资源的利用率;使用混合精度训练,在不损失太多精度的前提下加快训练速度;合理选择预训练模型,利用预训练模型的知识,减少训练成本。

七、如何学习大模型 AI ?

由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。

但是具体到个人,只能说是:

“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。

这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。

我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新,更多的大模型学习和面试资料已经上传带到优快云的官方了,有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

在这里插入图片描述

01.大模型风口已至:月薪30K+的AI岗正在批量诞生

在这里插入图片描述

2025年大模型应用呈现爆发式增长,根据工信部最新数据:

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K(数据来源:BOSS直聘报告)

70%企业存在"能用模型不会调优"的痛点

真实案例:某二本机械专业学员,通过4个月系统学习,成功拿到某AI医疗公司大模型优化岗offer,薪资直接翻3倍!

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程:把ChatGPT从玩具变成生产工具
2️⃣ RAG系统:让大模型精准输出行业知识
3️⃣ 智能体开发:用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你:
✔️ 大厂内部LLM落地手册(含58个真实案例)
✔️ 提示词设计模板库(覆盖12大应用场景)
✔️ 私藏学习路径图(0基础到项目实战仅需90天)

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

第一阶段(10天):初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么?
  • 大模型是怎样获得「智能」的?
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例:向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …

第二阶段(30天):高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示(Embeddings)
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …

第三阶段(30天):模型训练

恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。

到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2:手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …

第四阶段(20天):商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身:基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例:如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。

如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

C++调用海康相机SDK采集图像(C++\QT Creator\openCV\线程\接口) C++调用海康相机SDK采集图像(C++\QT Creator\openCV\线程\接口) 之前写了一篇关于C++调用海康相机SDK采集图像的文章,有很多人私下发送消息咨询了一些问题,由于工作繁忙,只答复了一部分问题,今天抽出时间从头梳理了一下大家提出的问题,把我能够回答的问题都解答一次。上一次的程序只是简单的实现了图像的采集,没有使用到线程,今天把程序重新做出调整,把线程和多态加进去。文章最后有项目的下载地址。 我使用的是QT Creator这个IDE,版本信息如下: 我把相机采集的图像转换为openC 阅读详情

相关推荐

YOLOv11多模态融合实战:基于YOLOFuse的RGB与红外线(IR)协同检测技术解析

本文深入解析了YOLOv11多模态融合技术,重点介绍基于YOLOFuse框架的RGB与红外线(IR)协同检测方法。通过动态权重分配、跨模态特征对齐等创新设计,实现在低光照等复杂环境下的高精度目标检测,mAP提升高达37%。文章包含实战案例、训练技巧和部署方案,为计算机视觉开发者提供完整的多模态融合解决方案。

weixin_29038345的博客 294

收藏!大模型算法工程师备考全攻略(小白&程序员入门必备)

在人工智能浪潮席卷全球的当下,大模型算法工程师已然成为驱动技术突破与产业升级的核心角色。无论是刚入门的程序员小白,还是想转型深耕AI领域的开发者,想要跻身这一高薪热门赛道,一套系统的备考方案必不可少。本文整理了大模型算法工程师备考的完整指南,涵盖核心知识点拆解、实战技巧点拨、分阶段备考计划,还补充了部署运维、前沿跟踪及面试冲刺要点,助力大家高效备战,少走弯路!大模型算法工程师的知识体系如同建筑地基,需兼顾数学底层、机器学习基础与大模型专项技术,三者环环相扣,缺一不可。数学是大模型技术的核心工具,所有模型的原

kaka0722ww的博客 849

【3D计算机视觉】从PointNet到PointNet++理论及pytorch代码

从PointNet到PointNet++理论及代码详解1. 点云是什么1.1 三维数据的表现形式1.2 为什么使用点云1.3 点云上以往的相关工作2. PointNet2.1 基于点云的置换不变性2.1.1 由对称函数到PointNet(vanilla)2.1.2 理论证明2.2 基于点云的旋转不变性2.3 网络总体结构2.4 实验结果和网络的鲁棒性2.5 代码解析3. PointNet++3.1...

小执着的博客 8万+

测试开发笔试备考全攻略:从算法到用例设计,阅文真题考点解析

软件测试早已从手工点按进化为一门融合编码、系统设计与质量工程的综合学科。在互联网内容平台中,测试开发工程师不仅需要掌握接口自动化、CI/CD等质量保障手段,更要具备扎实的计算机基础,包括数据结构与算法、SQL索引优化、操作系统并发原理等核心知识。这些技术能力直接决定了笔试中算法题、SQL题与用例设计大题的正确率。从行业实践来看,内容型产品的质量保障尤为强调业务理解与场景设计,例如书架同步、付费章节一致性、内容安全审核等典型场景,都是面试官高频考察的能力维度。本文以阅文测试开发笔试卷为切入点,拆解各模块考查意

weixin_28842269的博客 279

04 HCM CPI SF集成-员工集成(一)

将员工主数据和组织数据从SAP Successfactors Employee CentraI复制到SAPERP或SAP S/4HANA,SAP SF CPI HCM集成

SAP CPI 148

stm32项目实战(1)光敏电阻的介绍和使用

文章目录前言一、光敏电阻介绍二、cubeMX配置三、代码说明总结 前言 本篇文章我们讲带大家了解光敏电阻的使用 一、光敏电阻介绍 下面是4线光敏电阻实物图 产品接线说明: 1、VCC 接电源正极 3.3-5V 2、GND 接电源负极 3、DO TTL 开关信号输出 (配置为输出模式) 4、AO 模拟信号输出(ADC采样通道) 光敏电阻主要用于检测周围的光照强度,光照强度发生变化那么ADC采样的值也会发送变化。 二、cubeMX配置 简单的配置我们就不多说了主要是ADC采样的配置 这里我采用的是ADC1通道

m0_49476241的博客 1万+

【算法拾光】队列|在每个树⾏中找最⼤值 + 最后⼀块⽯头的重量

本文总结两道经典算法题:一是通过层序遍历(BFS)逐层找最大值,利用队列分层处理,每层维护最大值;二是用大根堆(优先队列)模拟石头碰撞过程,每次取最大两块石头,差值重新入堆,直至剩余一块或无石。前者适用于树的层次遍历,后者适合动态获取最值场景。核心思想:队列用于分层遍历,堆用于高效取极值。

wuqingyigexiaoba的博客 202

【数据集总结】不透水面积ISA:GAIA、CLUD-Urban、GISA

【数据集总结】不透水面积ISA:GAIA、CLUD-Urban、GISA

WW、forever的博客 2169

把 KV Cache 压到 FP4:BitDecoding-FP4 的算法-系统协同设计复盘

长上下文推理卡在KV Cache的显存与带宽上,而现有FP4方案要么精度崩、要么速度废。这篇文章复盘BitDecoding-FP4如何用三个算法补丁加一个系统重构,在B300上把服务吞吐提升2.4–3.0倍,精度几乎不掉。

helloagent的博客 319

STM32实战开发(110):基于STM32的智能地震监测系统开发

地震监测系统是自然灾害预警体系中至关重要的一部分。随着地震灾害的频发和对自然灾害预测精度要求的提高,智能地震监测系统逐渐成为研究的热点。STM32作为一款高性能的微控制器,凭借其强大的处理能力和丰富的外设接口,在地震监测领域中得到了广泛应用。本篇文章将详细介绍如何使用STM32实现一个智能地震监测系统的开发过程,涵盖硬件设计、软件编程、系统实现及相关代码。通过集成加速度传感器、地震数据采集、实时数据处理和无线数据传输功能,我们可以设计一个高效、稳定的智能地震监测系统。

2201_76125393的博客 710

实战|基于Kappa架构的用户行为实时分析平台搭建教程

数据源:用Kafka存储全量数据(实时+历史),作为“事实来源”;处理引擎:用Flink等流处理引擎,读取Kafka中的数据,执行清洗、转换、聚合等操作;存储层:将处理结果写入实时存储(如Elasticsearch)或批量存储(如Hive);消费层:用可视化工具(如Kibana)展示结果,或提供API供业务系统调用。Kappa架构的关键设计原则全量数据存于Kafka:Kafka的“无限 retention”特性(默认保留7天,可配置更长)让它成为全量数据的存储介质;用流处理引擎处理所有数据。

Java大师兄的博客 798

【算法拾光】链表 哈希表|K个一组翻转链表 + 两数之和

K个一组翻转链表需分段反转,借助哑节点与前驱指针维护连接,避免断链;两数之和利用哈希表实现O(1)查找,空间换时间,高效定位目标组合。前者考察链表指针操作,后者聚焦映射关系构建,均为面试高频题。

wuqingyigexiaoba的博客 341

元宇宙通证- 九、IT/ICT发展史全景长图

九、IT/ICT发展史全景长图 (一)综述 IT是Information Technology的缩写,意为”信息技术“,包含现代计算机、网络、通信等信息领域技术。自1844年人类历史上发出来第一份电报,实现了信息的长图传输,信息技术发展的历史大幕随之拉开。信息技术的普遍应用,是进入信息社会的标志。 IT技术最早发源于半导体,然后发展处计算机、通信网和互联网,进而演进到现在的AI、XR、计算机、大数据、物联网、工业互联网、区块链、量子计算等。 有人说元宇宙是下一代互联网,有人说元宇宙是互联网的终极形态。 我们

沧海之巅的专栏 1万+

排序算法深度笔记(下):非比较类排序的线性突破与工程边界

排序算法时间复杂度额外空间复杂度稳定性是否基于比较选择排序O(N^2)(O(1))不稳定是冒泡排序O(N^2)(O(1))稳定是插入排序O(N^2)(O(1))稳定是归并排序O(N\log N)(O(N))稳定是快速排序O(N\log N)O(log N)不稳定是堆排序O(N\log N)O(1)不稳定是计数排序(O(N + M))O(M))稳定否基数排序O(N)稳定否桶排序平均O(N) / 最坏O(N^2)

2401_87069538的博客 617

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

优选算法:分治-归并排序

交易逆序对的总数

Wangshijie1015的博客 154

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

408 算法 06|堆与 Top-K:最小的 10 个数,到底该用数组还是堆

2022(42) 找 100 万个数里最小的 10 个,官方给了"10 元素有序数组"和"大根堆"两种答案。我把两种都实现并数了比较次数:k=10 时两者几乎打平,k=10000 时堆少 111 倍。另附 2021(42) 计数排序的比较次数与稳定性实测。

m0_56226131的博客 453

算法64,字母异位词分组

代码核心思路是:互为字母异位词的字符串,在对其字符进行排序后,一定会得到相同的字符串。因此,可以将排序后的字符串作为哈希表的键(Key)来进行分组。

sheshibenniaodan的博客 219

408 算法 04|主元素与三元组最小距离:两种“扫描时做决定“的思路

2013(41) 的主元素用摩尔投票一遍选出候选,但真正的考点是"选完必须验票";2020(41) 的三元组最小距离,三指针每次只挪最小的那个,靠的是 D=2×(max−min) 这个恒等式。两套完整 C 代码加真实输出,附官方评分档位表。

m0_56226131的博客 457

牛客周赛165C题(前后缀性质,递推,排序,枚举)

题目大意:给定长度为 `n` 的数组,选择 `k ∈ [1,n]`,将前 `k` 个元素整体翻转,后面的元素不变。要求操作后的整个数组非递减,统计满足条件的 `k` 的数量。题目链接:https://ac.nowcoder.com/acm/contest/141721/C。时间复杂度:O(nlogn)

2501_94316951的博客 175

【MPC 算法】Python 实战:模型预测控制(MPC)算法原理与代码实现

本文介绍模型预测控制(MPC)原理与Python实现。MPC通过滚动优化预测未来状态,结合系统模型、目标函数与约束条件,动态生成最优控制序列。以一阶温度系统为例,使用CVXPY构建凸优化问题,实现加热功率的智能调控。代码包含模型预测、目标函数设计(含温度跟踪与控制平滑惩罚)、输入约束及滚动更新机制。仿真结果表明,MPC能快速稳定温度至目标值60℃,且控制动作平滑合理,体现其在复杂系统中的优越性。

赖德发的博客 70

算法61,判定是否为字符重排

两字符串能互为重排 ⇔。

sheshibenniaodan的博客 227

【前缀和+复合离散化】题解:双色矩形(two)_数据结构_算法优化_预处理_二维前缀和_STL_C++算法竞赛

给定一个 $n \times n$ 的黑白棋盘,初始按 $i+j$ 奇偶染色,经 $k$ 个格子颜色翻转后,求子矩形中黑白格子数差的绝对值最大值。由于 $n$ 可达 $10^9$,但 $k \leq 50$,可离散化关键点。枚举所有由修改点构成的矩形及其四边向外扩展(共 $16$ 种扩展方式),利用二维前缀和快速计算变化量,结合奇偶性判断多出的格子颜色,最终取最大绝对差。时间复杂度为 $O(k^4)$,在 $k \leq 50$ 下可行。

YLCHUP的博客 214

算法62&&63,存在重复元素

判断整数数组中是否有任意元素出现至少两次。:判断数组中是否存在两个。,且索引差值的绝对值。

sheshibenniaodan的博客 105

商业综合体公摊电费分摊算法:512 商户双层权重与尾差实测

公摊电费分摊算法是指把公共回路电量按公示权重拆到每户的规则化计算过程,核心不是权重多精巧,而是每张账单都能被租户手算复现。某珠三角商业综合体 512 户商户实测:固定费与变动费按 4:6 加权,尾差用余数递补压到 0.01 千瓦时精度,24 个月 12288 张账单重算差异为零,月度争议从 31 起降到 2 起。适用边界:商铺与租户已独立装表、公共回路已分项计量的商业综合体适用;末端未装表、靠总表减合计倒推公摊的场景不适用,先把表补齐再谈分摊。

185

考拉兹猜想 - 7

本文通过引入虚数单位重构Collatz猜想的迭代逻辑,指出偶数减半与奇数“乘3加1”的过程在虚数坐标下等价于归结操作。关键在于:乘3加1使奇数跃升至偶数,随后持续减半,而虚数单位代表“无限减1”,实现无限向有限的转化。无论初始值如何,减半始终主导,最终归结为4-2-1循环。该视角消解了正向思维中的速度竞争疑虑,证明归结是必然结果。

杨铸人的博客 93

2026华为OD机试真题 10月14日 新系统 【分组字符串排序】

华为OD机试真题 新系统【分组字符串排序】,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。华为OD机试真题 【分组字符串排序】多语言题解。

qq_45776114的博客 459

贪心题目:可以到达的最远建筑

为了到达尽可能远的建筑物,在将砖块替换成梯子时,应将高度差最大位置的砖块替换成梯子,此时剩余的砖块数量最多,如果将高度差较小位置的砖块替换成梯子,则剩余的砖块数量较少,能到达的最远建筑物下标不可能更大。开始向后面的建筑物移动,移动过程中维护优先队列存储正高度差,优先队列的队首元素是最大元素,每次遇到正高度差时优先考虑使用砖块,如果砖块数量不够则使用梯子替换最大高度差位置的砖块,直到砖块和梯子都使用完毕时,到达的建筑物即为最远建筑物。如果以最佳方式使用给定的梯子和砖块,返回可以到达的最远建筑物的下标。

stormsunshine的博客 301
上一篇: AI大模型学习指南:从数学基础到行业应用,一篇文章带你精通AI大模型技术!
下一篇: AI领域的五层次模型:从使用者到算法研究者,找到属于你的位置!
智泊AI官方
博客等级 码龄6年 8639粉丝 2667原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值